Les tests statistiques

Thibault LAURENT
1er Décembre 2014

Ce document a été généré directement depuis RStudio en utilisant l’outil Markdown. La version .pdf se
trouve ici.

Résumé

L’objet de ce chapitre est de vous présenter les moyens offerts par R pour réaliser quelques tests statistiques
parmi les plus répandus. Les librairies installées par défaut fournissent à l’utilisateur la possibilité de réaliser
une gamme assez large de tests. Sauf indication contraire, les fonctions que nous aborderons dans cette partie
proviendront des librairies de base. Le but de cette partie n’est pas de présenter les tests statistiques, mais
de décrire le moyen de les mettre en oeuvre dans R. Pour une description approfondie de ces tests, nous
renvoyons le lecteur sur ce document écrit par les auteurs du site Wikistat. Le livre de Saporta : “Probabilités,
analyse des données et statistique” est également une référence incontournable en ce qui concerne les tests
statistiques.
Rappel : on parlera parfois dans ce chapitre de test paramétrique et de test non paramétrique. On rappelle
ici les définitions :

• Test paramétrique : les hypothèses nulle et alternative du test portent sur un paramètre statistique
(moyenne ou variance par exemple). Ces tests nécessitent généralement des conditions de validité
(distribution normale des données par exemple).
• Test non paramétrique : un test non paramétrique porte globalement sur la répartition des données
sans hypothèse sur leur distribution (free distribution en anglais)

1. Problèmes à un échantillon

1.1 Test de normalité d’une variable

Les 2 tests “classiques”" de normalité d’une variable sont le test de Kolmogorov-Smirnov et le test de
Shapiro-Wilk, tous les deux implémentés dans R par le biais des fonctions ks.test() et shapiro.test().

Test de Kolmogorov-Smirnov : ks.test()

Cette fonction est un peu plus générale que shapiro.test(). En effet, son principe est de comparer 2 distributions.
En cela, ks.test() permet de réaliser des tests bidimensionnels. Pour le cas unidimensionnel, il suffit juste
de comparer la distribution
Pn qui nous Pintéresse à la distribution théorique d’une loi normale de paramètres
n
estimés µ̂ = x̄ = n1 i=1 xi et σ̂ 2 = n1 i=1 (xi − x̄)2 .
Le résultat de ks.test() indique également dans la composante alternative, le type de test (unilatéral ou
bilatéral) effectué.
Exemple : pour illustrer l’utilisation de cette fonction, nous allons nous intéresser à la variables U issue
d’une U(16, 24).

1
u<-runif(1000,16,24)

Le principe du test de Kolmogorov-Smirnov est de comparer 2 distributions au moyen de la fonction de

répartition. Dans ce cas, on va comparer la fonction de répartition empirique Fn avec la fonction de répartition
théorique Fth d’une loi normale dont les paramètres sont estimés à partir de l’échantillon. On représente
graphiquement les deux fonctions de répartitions :

# f.d.r. empirique de U
fdr.u=ecdf(u)
test=plot(fdr.u, main="Distribution de U", lwd=2)
x=seq(10,30,0.1)
# estimation de la f.d.r théorique d'une gaussienne
# de paramètre bar(u) et hat(sigma[u])
lines(x, pnorm(x, mean(u), sd(u)), lty=2, lwd=2, col="magenta")
# représentation des valeurs de U
rug(u)
# légende
legend("topleft",c("F.d.r. empirique","F.d.r. th. d'une loi normale"),lty=1:2,
lwd=2,col=c("black", "magenta"),cex=0.7)

Distribution de U
1.0

F.d.r. empirique
F.d.r. th. d'une loi normale
0.8
0.6
Fn(x)

0.4
0.2
0.0

16 18 20 22 24

A l’évidence, les deux courbes ne sont pas identiques. De plus, on constate que l’écart entre Fn et Fth peut
être parfois très grand. Le test de Kolmogorov-Smirnov consiste à donner comme statistique de test, l’écart
le plus important entre les deux courbes.

2
(res.ks=ks.test(u, "pnorm", mean(u), sd(u)))

##
## One-sample Kolmogorov-Smirnov test
##
## data: u
## D = 0.0591, p-value = 0.001854
## alternative hypothesis: two-sided

Interprétation : si l’hypothèse nulle est vraie (ici H0 : {Fn = Fth }), la probabilité de voir la statistique
de test (D = 0.0590918) autant éloignée de la valeur 0 est inférieure à 0.0019, soit une faible probabilité.
Autrement dit, la valeur de D est anormalement grande et donc on ne peut pas accepter l’hypothèse nulle.
Ceci confirme donc que la loi de probabilité de U n’est pas celle d’une loi normale.

Test de Shapiro-Wilk : shapiro.test()

L’utilisation de shapiro.test() ne recquiert quant à elle que le vecteur de valeurs numériques sur lequel on
va tester l’hypothèse de normalité. Ici, l’hypthèse nulle H0 est {l’échantillon est distibuée selon une loi
gaussienne}.
Exemple : pour illustrer l’utilisation de cette fonction, nous allons nous intéresser à la variables V issue
d’une N (20, 4).

v<-rnorm(1000,20,2)

Le résultat du test statistique est :

(res.sh=shapiro.test(v))

##
## Shapiro-Wilk normality test
##
## data: v
## W = 0.999, p-value = 0.8877

Interprétation : si la valeur-p est inférieure à une seuil α qu’on s’est donné (en général, 5%), alors on
rejette H0 . Ici, la valeur-p est égale à 0.8876675, ce qui nous conduit (bien entendu) à accepter H0 .

Le QQ (Quantile-Quantile) plot “gaussien”

Le principe du QQ-plot “général” est de comparer la position de certains quantiles dans la population observée
avec leur position dans la population théorique.
Le QQ-plot gaussien est un outil graphique qui permet d’apprécier visuellement la normalité d’une variable
quantitative. La fonction à utiliser est la fonction qnorm().
Exemple sur les variables U et V :

op<-par(mfrow=c(1,2))
qqnorm(u)
qqline(u,col="red")
qqnorm(v)
qqline(v,col="red")

3
 Normal Q−Q Plot Normal Q−Q Plot
24

25
22
Sample Quantiles

Sample Quantiles

20
20
18

15
16

−3 −1 0 1 2 3 −3 −1 0 1 2 3

Theoretical Quantiles Theoretical Quantiles

par(op)

Interprétation statistique : si les points sont alignés autour de la droite tracée par la fonction qqline(),
c’est que la distribution de la variable étudiée est celle d’une loi normale.
Remarque : pour mieux comprendre ce que représente la fonction qqnorm(), voici une autre façon d’obtenir
le même graphique.

plot(qnorm(ppoints(length(v)),0,1), sort(v))
abline(lm(quantile(v,c(0.25,0.75))~qnorm(c(0.25,0.75))),col="blue")

1.2 Test de comparaison à une moyenne

Pour comparer la moyenne d’un échantillon à une valeur fixée a priori, il existe plusieurs méthodes, selon
que l’on puisse supposer ou non la normalité de l’échantillon en notre possession. Si une telle supposition
peut être faite, on utilise alors le test de Student, effectué par la fonction t.test(). Dans le cas contraire, on
a recours au test non paramétrique des rangs signés de Wilcoxon (Wilcoxon signed-rank test en anglais),
effectué par la fonction wilcox.test().

a. Le test de Student

Ici, il s’agit du cas où on sait que la distribution de la variable X est normale, de moyenne µ inconnue et de
variance σ 2 inconnue. Le test de Student est mis en oeuvre dans R par la fonction t.test(). Prenons ici un
échantillon U de taille 100, issu d’une loi normale de moyenne 30 et de variance 25 :

4
u<-rnorm(100,30,5)

Supposons que vous vous retrouviez avec cette échantillon sans en connaître les paramètres (mais en sachant
que la distribution est normale), et que vous souhaitiez vérifier si la moyenne est différente de 32. En précisant
le vecteur contenant l’échantillon et la moyenne à comparer (argument mu), vous obtiendrez le résultat du
test par la commande :

(res.ttest=t.test(u, mu=32))

##
## One Sample t-test
##
## data: u
## t = -4.3366, df = 99, p-value = 3.486e-05
## alternative hypothesis: true mean is not equal to 32
## 95 percent confidence interval:
## 28.69260 30.76911
## sample estimates:
## mean of x
## 29.73085

Sous H0 : {µ = 32}, la probabilité qu’une observation soit supérieure à la valeur de la statistique de test en
valeur absolue |t| = 4.3365768 (il s’agit d’un test bilatéral par défaut) est inférieure à 0.0000349, ce qui est
très faible. Autrement dit, on ne peut pas accepter l’hypothèse nulle : la valeur de µ n’est pas égale à 32. A
noter qu’il est possible de rendre le test unilatéral en précisant pour l’argument alternative, le paramètre
less ou greater.
Parmi les autres résultats qui sont affichés par la fonction, on trouve la valeur de la moyenne calculée sur
l’échantillon (x̄ = 29.7308541) ainsi que l’intervalle de confiance associé. En d’autres termes, si on avait choisi
une valeur de µ comprise dans cet intervalle de confiance, on n’aurait pas pu rejeter l’hypothèse nulle.
Remarque : dans un test statistique, il est absolument essentiel de repérer quelle est l’hypothèse nulle
et l’hypothèse alternative. Ici, on peut lire alternative hypothesis: true mean is not equal to 32.
Autrement dit, on construit bien la statistique de test t sous l’hypothèse nulle que la moyenne de l’échantillon
est égale à 32.

b. Le test de Wilcoxon

Pour ce test, on se place dans le cas d’un échantillon de faible taille et/ou dont on ne connait pas la distribution.
On sait seulement qu’elle est symétrique. Prenons par exemple un échantillon S issu d’une loi de Student à 5
degrés de liberté :

s<-rt(120,5)
mean(s)

## [1] 0.1000655

La moyenne calculée sur cet échantillon est proche de 0. On veut donc savoir si elle l’est significativement.

(res.wilco=wilcox.test(s, mu=0))

5
##
## Wilcoxon signed rank test with continuity correction
##
## data: s
## V = 4053, p-value = 0.2685
## alternative hypothesis: true location is not equal to 0

Sous H0 : {µ = 0}, la probabilité qu’une observation soit supérieure à la valeur de la statistique de test
V = 4053 est 0.2685222, ce qui n’est donc pas un fait rare. On ne peut rejeter l’hypothèse nulle et on admet
donc que S est issu d’une distribution dont l’espérance vaut 0.
Remarque : pour retrouver la statistique de test V , on effectue le calcul suivant.

rank=1:length(s)
min(sum(rank[s[order(abs(s))]>0]),
sum(rank[s[order(abs(s))]<0]))

## [1] 3207

1.3 Test de comparaison à une proportion

Lors d’un sondage réalisé auprès de 1000 individus, 521 d’entre eux ont affirmé apprécié la marque X.
L’enseigne souhaiterait vérifier que plus de la moitié de la population addhère à la marque. Pour cela, une
façon de faire est de tester l’hypothèse H0 : π < 0.5 (on ne prend pas H0 : π > 0.5, car on formule H0 de
façon à ce qu’elle soit rejetée). Ceci s’effectue au moyen de la fonction prop.test(). On précise ici l’argument
aternative=“greater” (qui spécifie donc bien l’hypothèse alternative H1 : π > 0.5).

(res.prop=prop.test(521,1000, alternative="greater"))

##
## 1-sample proportions test with continuity correction
##
## data: 521 out of 1000, null probability 0.5
## X-squared = 1.681, df = 1, p-value = 0.0974
## alternative hypothesis: true p is greater than 0.5
## 95 percent confidence interval:
## 0.4944942 1.0000000
## sample estimates:
## p
## 0.521

Sous H0 , la valeur de la statistique de test n’est pas “anormale” (1.681) ce qui est validé par la valeur-p
(0.0973958). On ne peut donc pas rejeter l’hypothèse nulle et l’enseigne devra encore revoir sa communication
pour améliorer l’image de sa marque.

2. Problèmes à deux ou plusieurs échantillons

Lorsque l’on dispose de deux ou plusieurs échantillons, la question se pose de savoir s’ils proviennent de
la même population. On verra qu’avant d’effectuer un test, il faudra déterminer si les 2 échantillons sont
indépendants ou appariés, dont on rappelle les deux définitions suivantes :

6
 • Données indépendantes : les observations sont indépendantes à l’intérieur de chaque échantillon et
d’un échantillon à l’autre. Exemple : résultats scolaires filles et garçons, dosage d’un produit chez 2
groupes de patients ayant reçu une molécule ou un placebo.
• Données appariées : les mêmes individus sont soumis à 2 mesures successives d’une même variable.
Exemple : notes de copies soumises à une double correction, dosage d’un produit avant et après un
traitement chez les mêmes individus.

Comme pour le paragraphe précédent, les tests ne seront pas les mêmes suivant que l’on ait ou non pu faire
l’hypothèse de la normalité des 2 distributions. Dans le premier cas, le test se décompose en deux phases en
comparant successivement la variance et la moyenne.

2.1 Tests de comparaison de variance

a. Test de Fisher (sous hypothèse de normalité)

La comparaison des variances de deux échantillons est réalisée par le test de Fisher. à l’aide de la fonction
var.test(). Simulons 2 échantillons U1 et U2 issus respectivement d’une N (µ1 = 20, σ12 = 25) et d’une
N (µ2 = 25, σ22 = 25) .

u1<-rnorm(150,20,5)
u2<-rnorm(120,25,5)

Dans ces conditions, on doit s’attendre à ne pas rejeter l’hypothèse H0 : { σσ21 = 1} d’égalité des variances.

(res.var=var.test(u1, u2))

##
## F test to compare two variances
##
## data: u1 and u2
## F = 1.0147, num df = 149, denom df = 119, p-value = 0.9383
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.7182408 1.4241362
## sample estimates:
## ratio of variances
## 1.014734

Interprétation : sous H0 , la statistique de test F = 1.0147339 n’est ni trop grande, ni trop petite, la
valeur-p n’étant pas un événement rare (p − value = 0.9382665). On ne peut donc pas rejeter l’hypothèse
d’égalité des variances.

b. Test de Barlett (sous hypothèse de normalité)

Le test de comparaison de variance de Barlett rend possible, lui, la comparaison de plusieurs échantillons de
taille différentes, tous issus d’une loi normale. Simulons ici 3 échantillons U1 , U2 et U3 issus respectivement
de lois N (µ1 = 30, σ12 = 81), N (µ2 = 30, σ22 = 25) et N (µ3 = 30, σ32 = 16).

u1<-rnorm(100,30,9)
u2<-rnorm(80,30,5)
u3<-rnorm(110,30,4)

7
De par la définition des 3 variances (81, 25 et 16), le test devrait conduire à rejeter l’hypothèse nulle d’égalité
des variances. La fonction bartlett.test(), qui réalise ce test admet deux arguments principaux : un vecteur
numérique contenant toutes les observations (ici la concaténation de U1 , U2 et U3 de taille n = 290) et un
objet de type factor (de taille n = 290) indiquant l’échantillon d’appartenance.

x<-c(u1,u2,u3)
groupe<-as.factor(paste("G",c(rep(1,100),rep(2,80),rep(3,110)),sep=""))
(res.bart=bartlett.test(x,groupe))

##
## Bartlett test of homogeneity of variances
##
## data: x and groupe
## Bartlett's K-squared = 78.6216, df = 2, p-value < 2.2e-16

Interprétation: l’hypthèse alternative n’est pas rappelée dans la sortie. On regarde dans l’aide de la fonction
et on peut lire : “Performs Bartlett’s test of the null that the variances in each of the groups (samples) are
the same”. L’hypothèse nulle est donc ici H0 : {σ1 = σ2 = σ3 }.
Sous H0 , la statistique de test est anormalement grande K = 78.6215525, la valeur-p étant très faible. On
rejette donc bien l’hypothèse nulle : toutes les variances ne sont pas égales.

2.2 Tests de comparaison des moyennes

a. Echantillons supposés de lois gaussiennes

La principale fonction permettant de réaliser un test paramétrique de comparaison de moyennes d’échantillons

issus de lois normales est oneway.test() (basé sur la statistique de test de Fisher). La fonction t.test() (basée
sur la statistique de test de Student) le permet également, mais est restreinte à la comparaison de seulement
2 échantillons. Toutefois, la fonction t.test() permet de mentioner le fait que les échantillons sont appariés ou
non.
Exemple : on a mesuré la hauteur (en mètres) de 12 arbres selon deux méthodes différentes, avant et après
la coupe de l’arbre. Ces données sont extraites de D. Chessel et A.B. Dufour (Biométrie et Biologie Evolutive,
Université de Lyon 1), Pratique des tests élémentaires.

debout = c(20.4,25.4,25.6,25.6,26.6,28.6,28.7,29.0,29.8,30.5,30.9,31.1)
abattu = c(21.7,26.3,26.8,28.1,26.2,27.3,29.5,32.0,30.9,32.3,32.3,31.7)
arbres = c(debout, abattu)
groupe<-as.factor(c(rep("debout",12),rep("abbatu",12)))

Dans un premier temps, on traite les deux échantillons comme s’ils étaient indépendants, de lois normales
et on vérifie que le test d’égalité des variances ne peut être rejeté :

var.test(debout,abattu)

##
## F test to compare two variances
##
## data: debout and abattu
## F = 0.8982, num df = 11, denom df = 11, p-value = 0.8619
## alternative hypothesis: true ratio of variances is not equal to 1

8
## 95 percent confidence interval:
## 0.2585696 3.1200517
## sample estimates:
## ratio of variances
## 0.8981929

Une fois ceci vérifié, on peut ensuite faire le test de comparaison des moyennes en utilisant une des fonc-
tions oneway.test() ou t.test() et en précisant que les variances des échantillons sont les mêmes (option
var.equal=TRUE)

(res.F=oneway.test(arbres~groupe, var.equal=TRUE))

##
## One-way analysis of means
##
## data: arbres and groupe
## F = 0.6799, num df = 1, denom df = 22, p-value = 0.4185

Sous H0 : {µ1 = µ2 }, la statistique de test de Fisher F = 0.6799435 n’est pas anormalement grande, la
valeur-p ne reflétant pas un évenement rare (p − value = 0.4184573). On aurait pu essayer de faire le test
de Student avec la fonction t.test() qui nous√aurait conduit à la même conclusion. La différence est que la
statistique de test de Student est égal à t = F = 0.8245869.
A présent, nous allons considérer les deux échantillons comme étant appariés, ce qui est effectivement le
cas puisqu’il s’agit des mêmes individus (les arbres) qui ont été mesurés selon deux façons différentes. On
va donc utiliser la fonction t.test(), celle-ci nous permetant d’utiliser l’option paired = TRUE. On garde
l’hypothèse d’égalité des variances.

(res.ttest=t.test(arbres~groupe, paired=TRUE, var.equal=TRUE))

##
## Paired t-test
##
## data: arbres by groupe
## t = 3.2343, df = 11, p-value = 0.007954
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.3434464 1.8065536
## sample estimates:
## mean of the differences
## 1.075

Interprétation : le constat est sans appel ! L’hypothèse H0 ne peut être acceptée (statistique de test
anormalement élevée et valeur-p inférieure au seuil de 5% en général utilisé comme valeur de référence), dans
le cas où les échantillons sont considérés comme étant appariés. On peut donc affirmer qu’on commet des
erreurs lorsqu’on mesure les arbres debouts.

b. Echantillons de lois quelconques

Si aucune hypothèse n’a pu être faite sur la distribution des variables, nous pouvons avoir recours à un test
non paramétrique : le test de Kruskall-Wallis ou celui de Mann-Whitney.

9
Test non paramétrique de Mann-Whitney Le test de Mann-Whitney est utilisée lorsque l’on ne peut
faire l’hypothèse de normalité pour les distributions des deux échantillons. Dans la littérature anglo-saxonne,
il est connu sous le nom de Wilcoxon rank-sum test. Il est réalisé dans R par la fonction wilcox.test(). Il
s’agit de la même fonction utilisée pour le test de comparaison à une moyenne. En fait, selon les arguments
qu’on lui donne, cette dernière n’effectue pas les mêmes tests. Dans le cas qui nous intéresse ici, en indiquant
le nom des deux vecteurs, nous obtiendrons le résultat de la comparaison entre la différence des moyennes et
l’argument mu, égal à 0 par défaut.
Exemple : la concentration d’un produit est mesurée sur 2 échantillons indépendants de tailles respectives
n1 = 5 et n2 = 6. Il est à noter que lorsque les échantillons sont de petites tailles (ce qui n’est pas rare,
notamment dans les expériences biologiques), les test non paramétriques sont à privilégier. Voici les mesures :

ech.1=c(1.31, 1.46, 1.85, 1.58, 1.64)

ech.2=c(1.49, 1.32, 2.01, 1.59, 1.76, 1.86)
x=c(ech.1, ech.2)
groupe=factor(c(rep("G1",5), rep("G2",6)))

On souhaite savoir si les données sont significativement différentes dans les 2 groupes. Pour cela, on utilise la
fonction wilcox.test() :

wilcox.test(ech.1, ech.2, mu=0)

##
## Wilcoxon rank sum test
##
## data: ech.1 and ech.2
## W = 10, p-value = 0.4286
## alternative hypothesis: true location shift is not equal to 0

Interprétation : sous H0 (hypothèse sous laquelle les moyennes des deux échantillons sont égales), la
statistique de test W = 10 n’est pas anormalement petite, la valeur-p étant égale à 0.4286 ce qui n’est pas un
événement rare. On ne peut donc pas rejeter l’hypothèse nulle.
Remarque : comment peut-on retrouver manuellement la statistique de test W renvoyée par R ?
Etape 1

• 1. Classer toutes les observations par ordre croissant

• 2. Affecter son rang à chaque observation
• 3. Calculer la somme des rangs d’un échantillon (en général celui de plus petite taille).

Ici, on calcule la statistique W1 de l’échantillon le plus petit :

(w1=sum(rank(x)[groupe=="G1"]))

## [1] 25

Etape 2 La statistique de test utilisée dans la fonction wilcox.test() consiste à construire la statistique de
test W obtenue à partir de W1 : W = W1 − n1 (n1 + 1)/2 = 10. Elle correspond au nombre total de fois où
un élément de l’échantillon 1 dépasse un élément de l’échantillon 2. On comprend donc que plus W est petit,
plus cela implique que l’échantillon 1 aurait de petites valeurs comparées à l’échantillon 2.

10
Test non paramétrique de Kruskall-Wallis Il est possible de comparer les moyennes de plusieurs
échantillons avec le test non paramétrique de Kruskall-Wallis. Ce dernier est utile lorsque l’on se trouve
face à plusieurs échantillons dont on ne connait pas la distribution. Il est mis en oeuvre par la fonction
kruskal.test(). On reprend l’exemple précédent et on considère un troisième échantillon :

ech.3=c(2.49, 2.32, 3.01, 2.59, 2.76, 2.86)

x=c(ech.1, ech.2, ech.3)
groupe=factor(c(rep("G1",5), rep("G2",6), rep("G3",6)))

On utilise la fonction kruskal.test() ainsi :

(res.krus=kruskal.test(x~groupe))

##
## Kruskal-Wallis rank sum test
##
## data: x by groupe
## Kruskal-Wallis chi-squared = 11.3595, df = 2, p-value = 0.003414

Sous H0 (hypothèse sous laquelle les moyennes de tous les échantillons sont égales), la statistique de test est
anormalement grande (K = 11.3594771), la valeur-p étant égale à 0.0034145. On ne peut donc ici accepter
l’hypothèse nulle.

3. Test de corrélation
Les tests de corrélation peuvent se baser, au moins, sur trois “statistiques” différentes : le coefficient de
corrélation linéaire de Pearson, le τ de Kendall et le ρ de Spearman. Ces trois méthodes sont disponibles
dans la fonction cor.test(). Pour réaliser un test de corrélation entre deux variables, il suffit donc d’indiquer,
en argument de cette fonction, les noms des deux vecteurs contenant les observations, ainsi que la méthode
choisie (option method). Pour “affiner” le test, comme la plupart des fonctions de tests vues précédemment,
il est également possible d’en préciser le type unilatéral ou bilatéral (option alternative) et le niveau de
confiance (option conf.level).
Remarque : ce test peut être vu comme un test appliqué à deux échantillons appariés, dans la mesure où
les variables X et Y ont été observées sur la même population.
Exemple : on considère la matrice des corrélations des variables quantitatives du jeu de données iris. On
rappelle que la cellule (i, j) représente le coefficient de corrélation linéaire de Pearson rij entre la variable Xi
et Xj .

Sepal.Length Sepal.Width Petal.Length Petal.Width

Sepal.Length 1.0000000 -0.1175698 0.8717538 0.8179411

Sepal.Width -0.1175698 1.0000000 -0.4284401 -0.3661259
Petal.Length 0.8717538 -0.4284401 1.0000000 0.9628654
Petal.Width 0.8179411 -0.3661259 0.9628654 1.0000000

Au vu de la matrice des corrélations, on se pose la question si le coefficient de corrélation linéaire de Pearson

entre les variables Sepal.Length et Sepal.Width est significativement différent de 0. On utilise donc ici

11
l’option par défaut method = pearson.

with(iris, cor.test(Sepal.Length, Sepal.Width))

##
## Pearson's product-moment correlation
##
## data: Sepal.Length and Sepal.Width
## t = -1.4403, df = 148, p-value = 0.1519
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.27269325 0.04351158
## sample estimates:
## cor
## -0.1175698

Sous H0 : {r = 0}, la valeur de la statistique de test n’est pas anormale, ce qui est confirmé par la valeur-p
qui est au-dessus du seuil de 5% usuel. On peut donc affirmer que le coefficient de corrélation linéaire de
Pearson n’est pas significativement différent de 0. Autrement dit, le “lien linéaire” entre les deux variables
n’est pas significatif.

4. Test d’indépendance de deux caractères

Les tests d’indépendance entre deux caractères reposent sur une table de contingence. Selon l’existence ou
non de cellules de cette taille ne comportant que peu d’observations (le seuil est à 5), le test utilisée sera
différent. Dans le premier cas, le test du χ2 sera utilisé. Dans le second, ce sera le test non paramétrique
exact de Fisher. Pour illustrer ces tests, nous allons simuler un cas classique : on cherche à savoir si le fait de
présenter une caractéristique particulière (exemple : le fait de fumer) a une influence sur la réponse à un
traitement. On a donc deux vecteurs X et Y avec pour variable, deux modalités (“nonfumeur” et “fumeur”)
pour X et (“pas de problème” et “problème”) pour Y . Ici, on n’observe pas directement les variables X et Y ,
mais la table de contingence qui se construit, on le rappelle, avec la commande table() :

m=matrix(c(14,10,20,45),2,2,byrow=TRUE)
rownames(m)=c("non fumeur","fumeur")
colnames(m)=c("pas pbme","pbme")
tab=as.table(m)

On obtient la table de contingence suivante :

pas pbme pbme

non fumeur 14 10
fumeur 20 45

a. Test d’indépendance du χ2

Pour ces 2 variables, nous nous retrouvons dans le cas où les cellules contiennent au moins 5 observations.
Le test est donc valable. Pour utiliser la fonction chisq.test(), on a le choix de mettre comme argument
directement les variables qualitatives, ou bien directement la table de contingence. Ici, on indique donc la

12
table de contingence :

(res.chisq=chisq.test(tab, simulate.p.value = TRUE))

##
## Pearson's Chi-squared test with simulated p-value (based on 2000
## replicates)
##
## data: tab
## X-squared = 5.6411, df = NA, p-value = 0.02749

L’objet créé par la fonction contient les effectifs observés (res.chisq$observed), les effectifs théoriques
(res.chisq$expected), et les résidus de Pearson (res.chisq$residuals). On peut retrouver ainsi la valeur
de la statistique de test en utilisant la formule :
X X (nij − nth
ij )
2
χ2 =
i j
nth
ij

ni. n.j
où nij est la valeur observée dans la ligne i et colonne j de la table de contingence et nth
ij = n est la
fréquence théorique sous l’hypothèse que les variables X et Y sont indépendantes.

sum((res.chisq$observed-res.chisq$expected)^2/res.chisq$expected)

## [1] 5.64106

On a choisi ici l’option simulate.p.value = TRUE qui signifie que la valeur-p n’est pas obtenue en utilisant
une table théorique d’une loi de χ2 à (I − 1) × (J − 1) degrés de libertés (I et J sont les nombres de modalités
de X et Y ), mais par une méthode de simulation de Monte Carlo.
Sous H0 : {X et Y sont indépendantes}, on a trouvé qu’il était peu probable de trouver une valeur supérieure
à 5.6410599 en faisant de la simulation de Monte Carlo. La p-value étant très faible (0.0274863), on ne
peut accepter l’hypothèse d’indépendance des deux variables. Le fait de fumer peut donc entraîner des
complications pendant le traitement.

b. Test exact de Fisher

Ce test est particulièrement utile lorsque des cellules de la table de contingence à étudier sont inférieures à 5.
Les calculs utilisés pour construire la statistique de test ne sont pas triviaux (ils font appel à des factorielles
qui peuvent être compliqués à calculer), mais la fonction fisher.test() fait appel à un algorithme qui permet
de faire ces calculs.

(res.F=fisher.test(tab))

##
## Fisher's Exact Test for Count Data
##
## data: tab
## p-value = 0.02635
## alternative hypothesis: true odds ratio is not equal to 1
## 95 percent confidence interval:
## 1.076182 9.323975
## sample estimates:
## odds ratio
## 3.106185

13
Comme pour le test d’indépendance du χ2 , la valeur-p (0.0263478) nous conduit à rejeter l’hypothèse nulle
d’indépendance de X et Y .

14